ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 161-170
Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian
ANALISIS CREDIT SCORING MENGGUNAKAN METODE BAGGING K-NEAREST NEIGHBOR
Fatimah1, Moch. Abdul Mukid2, Agus Rusgiyono3
1
Mahasiswa Departemen Statistika FSM Universitas Diponegoro
2,3
Staff Pengajar Departemen Statistika FSM Universitas Diponegoro
ABSTRACT
According to Melayu (2004) credit is all types of loans that have to be paid along with the interest by the borrower according to the agreed agreement. To keep the quality of loans and avoid financial failure of banks due to large credit risks, we need a method to identified any potentially customer’s with bad credit status, one of the methods is Credit Scoring. One of Statistical method that can predict the classification for Credit Scoring called Bagging
k-Nearest Neighbor. This Method uses k-object nearest neighbor between data testing to
B-bootstrap of the training dataset. This classification will use six independence variables to predict the class, these are Age, Work Year, Net Earning, Other Loan, Nominal Account and Debt Ratio. The result determine k =1 as the optimal k-value and show that Bagging k-Nearest
Neighbor’s accuracy rate is 66,67%.
Key word : Credit scoring, Classification, Bagging k-Nearest Neighbor
1. PENDAHULUAN
Istilah kredit berasal dari bahasa Yunani yaitu ‘credere’ yang berarti kepercayaan (Herprasetyo, 2012). Menurut Chapra (2000), kredit harus dialokasikan dengan tujuan membantu merealisasikan kemaslahatan sosial secara umum. Tujuan dari kesepakatan kredit menurut Kasmir (2002) adalah memberikan keuntungan bagi bank, membantu usaha nasabah dan membantu pemerintah. Namun jika ditemui kondisi dimana nasabah sudah tidak sanggup membayar sebagian atau seluruh kewajibannya kepada bank seperti yang telah diperjanjikan maka kondisi ini disebut dengan kredit macet (Kuncoro dan Suhardjono, 2002). Semakin banyak jumlah nasabah kredit macet dalam sebuah bank, akan menghambat kinerja bank dan melemahkan pendapatan dari usaha perbankan tersebut. Untuk mencegah terjadinya hal tersebut, dapat dilakukan pertimbangan atas persetujuan pengajuan kredit oleh calon nasabah tersebut ataukah tidak. Metode untuk menilai kelayakan dari calon nasabah kredit diantaranya adalah metode Credit Scoring. Metode statistika yang dapat digunakan untuk mengklasifikasikan kondisi status kredit nasabah menggunakan Credit Scoring diantaranya adalah metode k-Nearest Neighbor (kNN). Kemudian digunakan inovasi untuk meningkatkan keakuratan dalam hal memprediksi suatu klasifikasi, diantaranya seperti yang dikembangkan oleh Breiman (1996) yakni metode klasifikasi yang menggabungkan dua metode yakni Bootstrap dan juga Aggregating (Bagging). Maka dalam penulisan ini akan digunakan metode Bagging k-Nearest Neighbor untuk diaplikasikan dalam pengklasifikasian status nasabah kredit lancar dan macet pada nasabah Bank “X”.
2. TINJAUAN PUSTAKA 2.1 Kredit
Menurut Melayu (2004), kredit adalah semua jenis pinjaman yang harus dibayar kembali bersama bunganya oleh peminjam sesuai dengan perjanjian yang telah disepakati. Kredit bermasalah akan berdampak negatif baik bagi kelangsungan hidup bank itu sendiri maupun bagi perekonomian negara, menurut Mahmoedin (2002) kondisi tersebut akan mempengaruhi penghasilan bank, kepercayaan masyarakat kepada bank, menurunkan tingkat kesehatan bank dan juga mempengaruhi modal bank tidak dapat berkembang dengan baik.
2.2 Credit Scoring
Penggunaan metode credit scoring ini dapat membantu pihak yang memberi pinjaman menentukan apakah pengajuan kredit seorang peminjam dapat disetujui (Morrison, 2004). Sedangkan untuk data nasabah yang dibutuhkan dalam penerapan credit scoring, diambil dari masing-masing data aplikasi pinjaman nasabah, selain dengan menggunakan program statistik yang berisi tentang sejarah pinjaman yang bersangkutan (Mester, 1997), data juga berisi antara lain mengenai siklus pembayaran tagihan apakah tepat waktu atau tidak, berapa banyak kredit yang masih atau pernah dimiliki yang bersangkutan.
2.3 Data Mining
Menurut Prasetyo (2014), data mining bertujuan untuk memanfaatkan data dalam basis data dengan mengolahnya sehingga menghasilkan informasi baru yang berguna. Dengan kondisi adanya sisi data yang belum dieksplorasi, dan di sisi lain, kemajuan teknik komputasi dan ilmu komputer sudah tumbuh pesat, keterbutuhan akan ekplorasi informasi baru semakin meningkat. Data mining menjadi solusi penyelesaian pencarian informasi yang sebelumnya tidak dapat dideteksi secara tradisional dan hanya menggunakan kemampuan analisis manusia. 2.3.1 Klasifikasi
Menurut Prasetyo (2014), klasifikasi adalah proses pembelajaran suatu fungsi tujuan (target) f yang memetakan tiap himpunan atribut x ke satu dari label kelas himpunan atributy yang didefinisikan sebelumnya. Fungsi targetan disebut juga model klasifikasi. Menurut Gorunescu (2011), proses klasifikasi data didasarkan pada empat komponen, yaitu:
a. Kelas
Variabel dependen yang berupa kategorikal yang merepresentasikan ‘label’ yang terdapat pada objeknya. Contohnya: status kredit macet dan lancar.
b. Predictor
Variabel independen yang direpresentasikan oleh karakteristik (atribut) data. Contohnya: usia, lama bekerja, total pendapatan bersih, ataupun total pinjaman lain yang dimiliki nasabah kredit.
c. Training dataset
Satu set data yang berisi nilai dari kedua komponen di atas yang digunakan untuk menentukan kelas yang cocok berdasarkan predictor.
d. Testing dataset
Berisi data baru yang akan diklasifikasikan oleh model yang telah dibuat dan akurasi klasifikasi dievaluasi.
2.3.2 Pendekatan Teknik Klasifikasi
Teknik klasifikasi merupakan suatu pendekatan sistematis untuk membangun model klasifikasi dari suatu himpunan data masukan. Tiap teknik menggunakan suatu algoritma pembelajaran (learning algorithm) untuk mendapatkan suatu model yang paling memenuhi hubungan antara himpunan atribut dan label kelas dalam data masukan. Tujuan dari algoritma pembelajaran adalah untuk membangun model yang berkemampuan baik, yaitu model yang dapat memprediksi label kelas dari record yang tidak diketahui kelas sebelumnya dengan lebih akurat. Biasanya dataset yang diberikan dibagi menjadi data training dan data testing. Data
training digunakan untuk membangun model dan data testing digunakan untuk memvalidasi
(Hermawati, 2013). Setelah mendapatkan hasil prediksi, dilakukan proses evaluasi performa dari model yang dibangun, perlu dilakukan pengukuran performa, yaitu pengukuran akurasi (accuracy) atau tingkat kesalahan (error rate). Jika fij menotasikan jumlah record dari kelas i
yang berada di kelas j pada saat pengujian (Hermawati, 2013), maka pengukuran akurasi dapat dituliskan sebagai berikut:
Dimana:
= jumlah data kelompok 1 yang benar diklasifikasikan ke kelompok 1 = jumlah data kelompok 0 yang benar diklasifikasikan ke kelompok 0 = jumlah data kelompok 1 yang salah diklasifikasikan ke kelompok 0 = jumlah data kelompok 0 yang salah diklasifikasikan ke kelompok 1
2.3.3 Analisis k-Nearest Neighbor
Metode k-nearest neighbor (kNN) termasuk dalam kelompok instance-based learning. Algoritma ini juga merupakan salah satu teknik lazy learning. Metode kNN dilakukan dengan mencari kelompok k objek dalam data training yang paling dekat dengan objek pada data baru atau data testing (Wu dan Kumar, 2009)
2.3.3.1 Jarak Euclidian
Semakin dekat jarak kedua data maka akan semakin besar kemiripannya, dan semakin jauh jarak kedua data maka semakin kecil kemiripannya (Prasetyo, 2014). Jarak yang digunakan untuk mengukur jarak antar data pada tugas akhir ini adalah jarak Euclidian. Diketahui permisalan, obyek A dengan hasil pengukuran adalah dan obyek B dengan hasil pengukuran adalah maka jarak euclidian antara A dan B adalah sebagai berikut:
(2)
2.3.3.2 Penentuan Parameter
Setelah menghitung jarak Euclidian sebagai nilai kedekatan antara data uji (data
testing) dengan data latih (data training). Langkah selanjutnya adalah menentukan nilai k
pada kNN, yang berarti k-data terdekat dari data testing. Jika k=1, kelas dari satu data training sebagai tetangga terdekat (terdekat pertama) dari data testing tersebut akan diberikan sebagai
kelas untuk data testing, yaitu kelas 1. Jika k=2, akan diambil 2 tetangga terdekat dari data
training. Langkah-langkah penentuan nilai parameter k adalah sebagai berikut:
1. Tentukan parameter k (jumlah tetangga paling dekat), menggunakan metode hold-out. 2. Hitung jarak Euclidian antara data testing dengan data training yang ada.
3. Urutkan jarak tersebut dimulai dari kelompok yang memiliki jarak terkecil ke yang terbesar.
4. Tentukan jarak terdekat sebanyak nilai k yang telah ditentukan.
5. Dengan kategori nearest neighbor yang paling banyak, maka dapat ditetapkan kelas terbanyak tersebut sebagai kelas dari masing-masing objek data testing.
2.3.3.3 Algoritma k-Nearest Neighbor
Pada metode k-nearest neighbor ini, parameter yang dimaksud adalah nilai k. Nilai k yang tinggi akan mengurangi efek noise pada klasifikasi, tetapi membuat batasan antara setiap klasifikasi menjadi lebih kabur. Terdapat berbagai langkah dalam menetapkan k terbaik, diantaranya adalah proses cross validation dengan menggunakan metode hold-out (Bishop, 1995) sebagai berikut:
1. Secara acak, bagi data menjadi 2 bagian, yakni data training, dan data testing. 2. Tentukan nilai parameter nearest neighbor .
3. Hitung jarak Euclidian antara data training dengan data testing.
4. Urutkan nilai jarak tersebut, dari yang nilainya terkecil hingga yang terbesar. 5. Tentukan jarak terdekat sebanyak nilai k yang telah ditentukan.
6. Tetapkan kelas yang terbanyak muncul dari hasil data tetangga terdekat tersebut, sebagai kelas dari data testing.
7. Hitunglah error rate hasil klasifikasi kelas data training dan data testing untuk nilai k tersebut.
8. Kemudian tentukan nilai k=k+1
9. Lakukan kembali langkah 3 – 7 hingga didapati nilai error rate yang paling rendah. 10. Lalu tentukan nilai k yang mempunyai nilai error rate yang paling rendah untuk kedua
hasil klasifikasi data training dan data testing sebagai nilai k yang terbaik, yang akan digunakan untuk mengklasifikasikan data testing menggunakan Bagging.
2.3.3.4 Karakteristik Klasifikasi dengan k-Nearest Neighbor Beberapa karakteristik kNN adalah sebagai berikut:
1. kNN merupakan algoritma yang menggambarkan seluruh data training untuk melakukan proses klasifikasi (complete storage). Hal ini mengakibatkan proses prediksi yang sangat lama untuk data dalam jumlah yang sangat besar. Tetapi semakin banyak data training, maka akan dapat dibuat batas keputusan yang semakin halus.
2. Algoritma kNN tidak membedakan setiap fitur dengan suatu bobot, semua bobot untuk fiturnya bernilai sama untuk satu sama lainnya.
3. Karena kNN masuk kategori lazy learning yang menyimpan sebagian atau semua data dan hampir tidak ada proses pelatihan, kNN sangat cepat dalam proses pelatihan (karena memang tidak ada), tetapi sangat lambat dalam proses prediksi.
4. Hal yang rumit adalah menentukan nilai k yang paling sesuai karena kNN pada prinsipnya memilih tetangga terdekat, parameter jarak juga penting untuk dipertimbangkan sesuai dengan kasus datanya. Jarak Euclidian sangat cocok untuk menggunakan jarak terdekat (lurus) antara dua data.
2.4 Metode Bagging
Metode Bagging merupakan teori yang diusulkan oleh Breiman (1996), yang didasari oleh konsep teori bootstrap dan aggregating yang menggabungkan kedua manfaat teori tersebut menjadi satu. Bootstrap ini diterapkan berdasarkan pada teori sampling acak dengan pengembalian (Tibshirani dan Efron,1993). Oleh karena itu bootstrap (menerapkan pengambilan sampel acak dengan pengembalian) dari data training , dimana penggunaan metode ini dianggap dapat meminimalisir kesalahan dalam pengklasifikasian. Sebagai pengaruhnya, model pada teknik klasifikasi(classifier) yang telah dibentuk tersebut kemungkinan mempunyai kinerja yang lebih baik. Pengertian dari proses aggregating adalah menggabungkan beberapa classifier tersebut. Berikut ini merupakan tahapan penerapan teknik Bagging:
1. Lakukan replikasi bootstrap sebanyak m, dari sejumlah n data training. Ulangi langkah ini untuk . Dimana m adalah banyaknya data yang diambil dari data training,
n adalah ukuran sampel dari data training dan B adalah banyaknya replikasi bootstrap
yang dilakukan.
2. Dengan menggunakan simple majority vote, dipilih label yang paling banyak muncul dari hasil penilaian sebagai aturan untuk pengambilan keputusan terakhir.
3. METODE PENELITIAN
Data yang digunakan adalah data sekunder nasabah tahun 2011 yang diperoleh dari Bank “X” yang terletak di Provinsi Lampung, dimana terdapat data diri nasabah kredit macet dan kredit lancar di dalamnya. Variabel respon yang digunakan adalah status kredit dari nasabah kredit yang dikategorikan dengan huruf ‘L’ untuk kredit lancar dan huruf ‘M’ untuk kredit macet. Variabel prediktor yang digunakan meliputi data usia debitur dalam satuan tahun, lama bekerja dalam satuan tahun, pendapatan bersih dalam satuan rupiah, pinjaman lain dalam satuan rupiah, nominal yang tertera dalam akun tabungan yang dimiliki, rasio hutang terhadap pendapatan. Software atau alat bantu yang digunakan dalam pengolahan data ini adalah Ms.Excel 2010 dan SAS 9.0. Setelah data diperoleh, maka langkah-langkah yang dilakukan dalam menganalisis data adalah:
a. Menentukan nilai k terbaik dengan cross validation dengan langkah sebagai berikut: 1) Tentukan nilai parameter nearest neighbor .
2) Hitung jarak Euclidian antara data training ke data testing
3) Urutkan nilai jarak tersebut, dari yang nilainya terkecil hingga yang terbesar. 4) Tentukan jarak terdekat sebanyak nilai k yang telah ditentukan.
5) Hitunglah error rate hasil klasifikasi kelas data training dan data testing untuk nilai k tersebut.
6) Kemudian tentukan nilai k = k + 1
7) Lakukan kembali langkah 2 – 5 hingga didperoleh nilai error rate yang paling rendah. 8) Lalu tentukan nilai k yang mempunyai nilai error rate yang paling rendah pada kedua hasil klasifikasi data training dan data testing sebagai nilai k yang terbaik, yang akan digunakan untuk mengklasifikasikan data testing dengan menggunakan data hasil
bootstrap.
b. Melakukan resampling pada data training menggunakan metode bootstrap sebanyak B kali dengan ukuran sampel sebanyak m, dimana jumlah m adalah 80% dari n data training
d. Urutkan objek–objek dimulai dari kelompok yang memiliki jarak terkecil ke yang terbesar.
e. Menentukan nilai keanggotaan terbesar padas tiap perhitungan jarakterdekat data hasil
bootstrap dengan data testing.
f. Melakukan aggregating dengan aturan majority vote, menggunakan nilai keanggotaan dengan jumlah terbesar untuk menentukan kelas dari setiap data yang sudah diperoleh dari hasil bootstraping, untuk menentukan kategori untuk setiap nilai observasi pada data
testing.
g. Mengklasifikasikan data observasi menggunakan hasil aggregating tersebut.
h. Melakukan validasi hasil prediksi dengan menghitung nilai keakuratan hasil klasifikasi dengan menghitung nilai accuracy dari analisis tersebut.
4. HASIL DAN PENELITIAN
4.1 Penentuan Nilai Parameter Terbaik
Pada metode k-Nearest Neighbor, sebelum menghitung jarak Euclidian terdekat dari data yang akan dicari klasifikasi kelasnya, diperlukan proses untuk menentukan nilai parameter terbaik k terlebih dahulu. Dalam tugas akhir ini akan digunakan metode hold-out. Hasil perbandingan nilai error rate nya dapat dilihat pada Tabel 1.
Tabel 1.Perbandingan Nilai Error Rate Hasil Klasifikasi Kelas Data Training dan Data Testing
K Error rate
Data Training Data Testing
1 0 0,313131 2 0,0907 0,363636 3 0,1655 0,393939 4 0,2341 0,515152 5 0,2805 0,565657 6 0,2749 0,434343 7 0,2848 0,414141 8 0,3025 0,464646 9 0,3209 0,484848 10 0,3317 0,515152
Berdasarkan Tabel 1, diperoleh nilai error rate terkecil untuk data training dan testing ada pada nilai k = 1, yakni error rate untuk klasifikasi data training adalah sebesar 0, sedangkan error rate untuk klasifikasi data testing adalah sebesar 0,313131. Maka dapat diambil kesimpulan bahwa nilai k terbaik yang digunakan untuk melakukan klasifikasi menggunakan metode Bagging k-Nearest Neighbor untuk data testing adalah nilai k = 1
4.2 Penentuan Klasifikasi Kelas untuk Observasi Pertama Data Testing
Pada metode ini akan digabungkan dua metode untuk mengklasifikasikan kelas dari data
testing, yakni metode Bagging dan k-Nearest Neighbor. Sebelum diterapkan metode k-Nearest Neighbor akan dilakukan terlebih dahulu metode Bagging (Bootstrap Aggregating). Pertama,
sebanyak 50 kali dengan jumlah data pada masing-masing hasil bootstrap sebanyak 720 data (80%) menggunakan bantuan software SAS 9.0. Kedua, proses aggregating yaitu pendugaan kelas secara gabungan berdasarkan dugaan data testing menggunakan data hasil bootstrap yang telah ada dengan aturan majority vote (suara terbanyak).
4.2.1 Perhitungan Jarak Euclidian antara Data Testing dengan Data Bootstrap
Langkah menghitung jarak Euclidian data bootstrap dengan data testing ini dilakukan hingga observasi ke 720 pada data bootstrap pertama.Sehingga didapati hasil perhitungan jarak Euclidian semua observasi seperti yang dapat dilihat pada Tabel 2.
Tabel 2. Jarak Euclidian data Bootstrap pertama ke data Testing
No. Usia Lama kerja Pinjaman lain Pendapatan bersih Nominal akun Rasio hutang Status
kredit Jarak 1 40 7 0 3.920.069 164.824,2 24,027 Lancar 6.479.309 2 45 14 0 2.222.741 3.600.000 47,901 Macet 2.858.089 3 30 2 0 11.601.567 918.311,4 21,988 Lancar 10.821.890 . . . . . . . . 718 40 15 913.296 4.129.724 14.098.273 55,464 Lancar 7.907.909 719 40 15 913.296 4.129.724 14.098.273 55,464 Lancar 7.907.909 720 40 15 913.296 4.129.724 14.098.273 55,464 Lancar 7.907.909
4.2.2 Penentuan Tetangga Terdekat Sebanyak k pada Setiap data Bootstrap
Setelah melakukan perhitungan jarak Euclidian antar data, akan ditentukan tetangga terdekat sebanyak k, dimana k = 1 adalah nilai terbaik parameter k, untuk memutuskan kelas dari observasi pertama data testing berdasarkan data hasil bootstrap. Selanjutnya menghitung jarak euclidian terdekat.
Tabel 3. Urutan Jarak dari Nilai yang Terkecil Hingga Terbesar untuk Data Bootstrap Pertama
No. Usia Lama Kerja Pinjaman Lain Pendapatan Bersih Nominal Akun Rasio Hutang Status Kredit Jarak
715 38 9 408.412 2.173.496 6.391.048 23,647 Lancar 134.460,8 92 50 6 535.991 2.630.509 6.480.000 22,876 Lancar 350.156,6 288 32 1 0 2.581.924 6.215.350 29,853 Lancar 580.969,4 82 44 17 0 2.581.747 6.068.012 29,186 Lancar 647.579 477 43 13 0 2.687.930 6.819.995 19,117 Lancar 726.834.5 . . . . . . . . . . . .
384 53 17 493.090 3.843.320 1,77E+08 30,015 Macet 1,7E+08
294 35 10 0 4.328.601 2,04E+08 34,815 Lancar 1,97E+08
351 34 2 1.188.659 5.756.717 9,94E+08 30,676 Lancar 9,87E+08
352 34 2 1.188.659 5.756.717 9,94E+08 30,676 Lancar 9,87E+08
472 45 3 2.360.289 45.639.712 2,88E+09 13,339 Lancar 2,87E+09
Pada Tabel 3 tersebut, dapat dilihat untuk nilai k=1, jarak terdekat pertama dari data
bootstrap pertama ke data testing adalah data observasi ke-715, dengan nilai jarak =
pertama data testing masuk ke dalam kelas kredit Lancar, sesuai dengan kelas dari data tetangga terdekat pertama observasi ke-715.
4.2.3 Penentuan Kelas dari Observasi Pertama Data Testing Berdasarkan Hasil Majority Vote
Setelah melihat hasil prediksi dari 50 data bootstrap, langkah selanjutnya adalah menghitung suara terbanyak dari kelas yang muncul tersebut yang telah direkap juga pada Tabel 4.
Hasilnya, untuk observasi pertama data testing diklasifikasikan ke dalam status kredit Lancar, karena hasil perhitungan kelas Lancar muncul lebih banyak yakni sebanyak 50 kali, dibandingkan dengan kelas Macet yang tidak muncul sama sekali atau nol.
Lakukan juga secara berulang untuk observasi kedua hingga terakhir pada data
testing, yakni menentukan kelas dari observasi berdasarkan suara terbanyak dari kelas yang
muncul pada hasil prediksi kelas status kredit berdasarkan data bootstrap tersebut.
Tabel 4. Hasil Prediksi Kelas untuk Status Kredit Berdasarkan Jarak dengan Data Bootstrap
n Hasil Prediksi berdasarkan jarak dengan Data Hasil Bootstrap ke- L M Majority
Vote
1 2 3 4 5 6 7 8 9 10 … 40 41 42 43 44 45 46 47 48 49 50
1 L L L L L L L L L L L L L L L L L L L L L 50 0 L
4.3 Ketepatan Hasil Prediksi Gabungan Menggunakan Bagging k-Nearest Neighbor Pada Tabel 5 telah disajikan data hasil penentuan kelas berdasarkan suara terbanyak untuk 99 observasi data testing. Dari 99 hasil prediksi kelas status kredit data testing tersebut selanjutnya akan dihitung error rate klasifikasi. Setelah di hitung terdapat 33 hasil prediksi yang berbeda dengan data asli kelas dari status kredit pada data testing, dan terdapat 66 data yang sesuai dengan data asli kelas dari status kredit tersebut.
Tabel 5. Hasil Majority Vote untuk Penentuan Kelas Observasi Pertama Data Testing
n Status
Hasil Prediksi berdasarkan jarak dengan Data Hasil Bootstrap L M Majority
Vote 1 2 3 4 5 6 7 8 9 10 …. 41 42 43 44 45 46 47 48 49 5 0 1 L L L L L L L L L L L … L L L L L L L L L L 50 0 Lancar 2 L L L M L L L L L L L … L L L L L M L L L L 45 5 Lancar 3 L L L L L L L L L L L … M L L L L L L L L L 45 5 Lancar 4 M L L L L L L L L L L … L M L M L L L L L L 47 3 Lancar 5 L M M M M M M M M M L … L M M M L M M M M L 12 38 Macet .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. 95 L L L L M L L L L L L … L L L L L L L L L L 47 2 Lancar 96 L L L L L L L L L L L … L L L L L L L L L L 49 0 Lancar 97 M L L L L L L L L L L … L L L L L L L L L L 49 0 Lancar 98 L M M L M M M M M M M … M M M L M M M M M M 3 46 Macet 99 L L L L L L L L L L L … L L L L L L L L L L 49 0 Lancar
Setelah selesai menentukan kelas untuk semua observasi data testing, langkah yang terakhir adalah menghitung ketepatan klasifikasi kelas status kredit tersebut. Cara menghitungnya adalah dengan menghitung error rate terlebih dahulu seperti pada Persamaan (1).
Selanjutnya cara menghitung error rate nya adalah sebagai berikut:
Dengan diketahuinya error rate akan dapat dihitung nilai accuracy (ketepatan), yakni:
Dengan nilai accuracy 0,666667 berarti ketepatan hasil klasifikasi dengan Bagging k-Nearest
Neighbor adalah sebesar 0,666667 atau 66,7%.
5. KESIMPULAN
Berdasarkan hasil dari pembahasan, diperoleh kesimpulan bahwa metode Bagging
k-Nearest Neighbor dapat digunakan untuk mengklasifikasi status nasabah kredit lancar dan
macet pada Bank ‘X’ di provinsi Lampung. Hasil pengklasifikasian tersebut, selanjutnya digunakan untuk memprediksi calon nasabah yang akan menggunakan layanan jasa kredit. Dalam penelitian ini, diperoleh hasil ketepatan klasifikasi nasabah kredit dengan metode
Bagging k-Nearest Neighbor sebesar 66,67%.
6. DAFTAR PUSTAKA
[1] Breiman, L. 1996. Bagging Predictors. Machine Learning 24 123-140.
[2] Bishop, C. M. 1995. Neural Networks For Pattern Recognition. Clarendon Press: Oxford
[3] Chapra, M. U. 2000. Sistem Moneter Islam, terj. Ikhwan Abidin Basri, Towards a Just
Monetary System. Jakarta: Gema Insani.
[4] Gorunescu, F. 2011. Data Mining: Concepts, Model and Techniques, Prof. Janusz Kacprzyk and Prof. Lakhmi C. Jain, Eds. Berlin. Jerman: Springer
[5] Hermawati, F. A. 2013. Data Mining. Yogyakarta: ANDI.
[6] Herprasetyo, B. 2012. Sukses Ubah Kartu Kredit jadi Modal Usaha. Tulungagung: Adora media
[7] Kasmir. 2002. Bank dan Lembaga Keuangan Lainnya. Edisi Revisi 2002. Jakarta: PT. Rajagrafindo Persada.
[8] Kuncoro, M dan Suhardjono. 2002. Manajemen Perbankan: Teori Dan Aplikasi. Jogjakarta: BPFE
[9] Mahmoedin. 2002. Melacak Kredit Bermasalah. Jakarta: Pustaka Sinar Harapan. [10] Mester, L. J. 1997. What’s The Point of Credit Scoring? Business Review (September)
3-16.
[11] Melayu, H. 2004. Dasar-dasar Perbankan. Jakarta: CV. Haji Masagung.
[12] Morrison, J. 2004. Introduction to Survival Analysis in Business, The Journal of
Business Forecasting Methods & Systems 23 (1) 18-22.
[13] Prasetyo, E. 2014. DATA MINING: Mengolah Data Menjadi Informasi Menggunakan
[14] Tibshirani, R. J dan Efron, B. 1993. An Introduction to the Bootstrap. London: Chapman dan Hall.
[15] Wu, X. dan Kumar, V. 2009. The Top Ten Algorithms in Data Mining. London: CRC Press Taylor & Analitic Machine Intelligence 13: 841-847.
